![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/A8014B8E-20FD-4EE6-9AE5-CCE112A4565E | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.100893 | - |
| Γλώσσα | en | - |
| Μέγεθος | 2 megabytes | en |
| Μέγεθος | 89 pages | en |
| Τίτλος | Design and implementation of an FPGA-Based CNN architecture for on-Board satellite processing of data from the Euclid space telescope | en |
| Τίτλος | Σχεδίαση και υλοποίηση αρχιτεκτονικής συνελικτικών νευρωνικών δικτύων βασισμένη σε αναδιατασσόμενη λογική για επί τόπου επεξεργασία σε δορυφόρο δεδομένων από το διαστημικό τηλεσκόπιο Euclid | el |
| Δημιουργός | Kalomoiris Ioannis | en |
| Δημιουργός | Καλομοιρης Ιωαννης | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Dollas Apostolos | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Δολλας Αποστολος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ioannidis Sotirios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ιωαννιδης Σωτηριος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Tsagkatakis, Grigorios | en |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Convolution Neural Networks (CNNs) have been widely employed for various AI tasks and have demonstrated state-of-the-art performance, especially in complex image recognition problems. The widely used for these tasks GPUs, although having a lot of computational power, come with very high power consumption. This is a deterrent factor for their usage, especially in cases where a small energy footprint is important, like on-board signal processing. In this thesis, we demonstrate an FPGA architecture implemented for the inference stage of a specific CNN, enabling the estimation of the galaxy redshift from spectroscopic observations by dividing the redshift range into 800 Classes. The proposed FPGA architecture achieved an improvement in energy efficiency of up to 11.9x alongside a 2.16x throughput speedup over GPU platforms. The results are from actual executions on FPGAs with space-qualified equivalent parts, enabling performing accurate redshift estimation in space with low energy cost, with no need for raw data transmission to the ground. | en |
| Περίληψη | Τα Συνελικτικά Νευρωνικά Δίκτυα (ΣΝΔ) χρησιμοποιούνται ευρέως για διάφο- ρες εργασίες τεχνητής νοημοσύνης και έχουν επιδείξει κορυφαίες επιδόσεις, ιδίως σε πολύπλοκα προβλήματα αναγνώρισης εικόνων. Οι ευρέως διαδεδομένες για αυ- τές τις εργασίες κάρτες γραφικών (GPU), αν και διαθέτουν μεγάλη υπολογιστική ισχύ, έχουν πολύ υψηλή κατανάλωση ενέργειας. Αυτό αποτελεί αποτρεπτικό πα- ράγοντα για τη χρήση τους, ιδίως σε περιπτώσεις όπου είναι σημαντικό το μικρό ενεργειακό αποτύπωμα, όπως η επεξεργασία σήματος εντός συστημάτων. Στην παρούσα εργασία, παρουσιάζουμε μια αρχιτεκτονική FPGA που υλοποιήθηκε για το στάδιο συμπερασμού ενός συγκεκριμένου ΣΝΔ, το οποίο καθιστά δυνατή την εκτίμηση της ερυθράς μετατόπισης γαλαξιών από φασματοσκοπικές παρατηρήσεις, διαιρώντας το εύρος της ερυθράς μετατόπισης σε 800 κλάσεις. Η προτεινόμενη αρχιτεκτονική πέτυχε βελτίωση της ενεργειακής απόδοσης έως και 11,9 φορές, παράλληλα με βελτίωση της απόδοσης κατά 2,16 φορές σε σχέση με τις πλατφόρ- μες GPU. Τα αποτελέσματα προέρχονται από πραγματικές εκτελέσεις σε FPGAs, οι οποίες έχουν ισοδύναμα εξαρτήματα που έχουν πιστοποιηθεί για χρήστη στο διάστημα, επιτρέποντας έτσι την εκτέλεση ακριβούς εκτίμησης της ερυθράς μετα- τόπισης στο διάστημα με χαμηλό ενεργειακό κόστος, χωρίς την ανάγκη μετάδοσης ακατέργαστων δεδομένων στο έδαφος. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2024-09-17 | - |
| Ημερομηνία Δημοσίευσης | 2024 | - |
| Θεματική Κατηγορία | FPGA | en |
| Θεματική Κατηγορία | Convolutional neural networks | en |
| Βιβλιογραφική Αναφορά | Ioannis Kalomoiris, "Design and implementation of an FPGA-Based CNN architecture for on-Board satellite processing of data from the Euclid space telescope", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024 | el |
| Βιβλιογραφική Αναφορά | Ιωάννης Καλομοίρης, "Σχεδίαση και υλοποίηση αρχιτεκτονικής συνελικτικών νευρωνικών δικτύων βασισμένη σε αναδιατασσόμενη λογική για επί τόπου επεξεργασία σε δορυφόρο δεδομένων από το διαστημικό τηλεσκόπιο Euclid", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |
Copyright © DIAS 2013
